转置一维 NumPy 数组
Posted
技术标签:
【中文标题】转置一维 NumPy 数组【英文标题】：Transposing a 1D NumPy array 【发布时间】：2011-08-22 17:08:03 【问题描述】：我使用 Python 和 NumPy，但在“转置”方面存在一些问题：
import numpy as np
a = np.array([5,4])
print(a)
print(a.T)
调用a.T 不会转置数组。如果a 是例如[[],[]] 那么它转置正确，但我需要[...,...,...] 的转置。
【问题讨论】：
也试过“print a.transpose”，但没有成功，不是转置... 我已经得出结论 Python 不像 Matlab 那样“数学化”，这就是为什么这个结果看起来很奇怪（我有 Matlab 背景，对我来说也很奇怪） 【参考方案1】：要像您在示例中那样转置一维数组（平面数组），您可以使用 np.expand_dims() 函数：
>>> a = np.expand_dims(np.array([5, 4]), axis=1)
array([[5],
[4]])
np.expand_dims() 将为所选轴添加一个维度。在这种情况下，我们使用axis=1，它添加了一个列维度，有效地转置了您的原始平面数组。
【讨论】：
【参考方案2】：转置
x = [[0 1],
[2 3]]
是
xT = [[0 2],
[1 3]]
代码如下：
import numpy as np
a = [[0, 1],[2, 3]]
x = np.array(a);
np.transpose(x)
或者简单的方法：
x.T
此链接了解更多信息：http://docs.scipy.org/doc/numpy/reference/generated/numpy.transpose.html
** 转置一维数组会返回原始数组的未更改视图。试试这个一维数组：
b = np.array([a])
【讨论】：
【参考方案3】：到目前为止，我已经学会了以紧凑且可读的方式为一维数组实现这一点的方式：
h = np.array([1,2,3,4,5])
v1 = np.vstack(h)
v2 = np.c_[h]
h1 = np.hstack(v1)
h2 = np.r_[v2[:,0]]
numpy.r_ 和 numpy.c_ 将切片对象分别转换为沿第一和第二轴的连接。因此，切片 v2[:,0] 将垂直数组 v2 转回到水平数组 h2
numpy.vstack 相当于将形状为 (N,) 的一维数组重新整形为 (1,N) 后沿第一个轴的串联。重建除以 vsplit 的数组。
【讨论】：
【参考方案4】：转置函数的作用基本上是交换数组的形状和步幅：
>>> a = np.ones((1,2,3))
>>> a.shape
(1, 2, 3)
>>> a.T.shape
(3, 2, 1)
>>> a.strides
(48, 24, 8)
>>> a.T.strides
(8, 24, 48)
在 1D numpy 数组（rank-1 数组）的情况下，shape 和 strides 是 1 元素元组并且不能交换，并且这种 1D 数组的转置返回它不变。相反，您可以将“行向量”（形状为(1, n) 的numpy 数组）转换为“列向量”（形状为(n, 1) 的numpy 数组）。为此，您必须首先将 1D numpy 数组转换为行向量，然后交换形状和步幅（转置它）。下面是一个函数：
from numpy.lib.stride_tricks import as_strided
def transpose(a):
a = np.atleast_2d(a)
return as_strided(a, shape=a.shape[::-1], strides=a.strides[::-1])
例子：
>>> a = np.arange(3)
>>> a
array([0, 1, 2])
>>> transpose(a)
array([[0],
[1],
[2]])
>>> a = np.arange(1, 7).reshape(2,3)
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> transpose(a)
array([[1, 4],
[2, 5],
[3, 6]])
当然，您不必这样做，因为您有一个一维数组，您可以通过a.reshape((-1, 1)) 或a[:, None] 直接将其整形为(n, 1) 数组。我只是想演示转置数组的工作原理。
【讨论】：
这帮助我弄清楚如何做相反的事情。【参考方案5】：改为使用arr[:,None] 创建列向量
【讨论】：
【参考方案6】：有一种方法未在答案中描述，但在documentation 中描述了numpy.ndarray.transpose 方法：
对于一维数组，这没有影响，因为转置向量只是相同的向量。要将一维数组转换为二维列向量，必须添加一个额外的维度。 np.atleast2d(a).T 实现了这一点，a[:, np.newaxis] 也是如此。
可以做到：
import numpy as np
a = np.array([5,4])
print(a)
print(np.atleast_2d(a).T)
哪个 (imo) 比使用 newaxis 更好。
【讨论】：
【参考方案7】：对于一维数组：
a = np.array([1, 2, 3, 4])
a = a.reshape((-1, 1)) # <--- THIS IS IT
print a
array([[1],
[2],
[3],
[4]])
一旦您了解 -1 在这里的意思是“尽可能多的行”，我发现这是“转置”数组的最易读的方式。如果您的数组维数更高，只需使用a.T。
【讨论】：
请注意，这只适用于向量。如果您有二维数组，则操作transpose 和reshape 以不同方式修改数组（生成的图像形状相同，但元素放置不同）。
感谢您的评论。我明白你的意思，但我认为它更分散了我的注意力，而不是澄清了我的答案，因为我确实为@thaking 提出的确切问题提供了一个简单的单行解决方案。这不是关于二维数组，而是关于一维数组。这里有苹果和梨。
当然。对于这种情况，您的回答是正确而优雅的，我从未打算批评它。但鉴于问题标题（“转置 NumPy 数组”），我怀疑许多访问者会来这里寻找更通用的解决方案，我想警告他们它不适用于 2D 数组。否则，鉴于 OP 的问题，您的答案是正确且合适的。
@UlfAslak，请更新您的答案，即您的方法不能推广到 ND 数组，按照 !johndodo 的建议提前明确总是好的，这样任何人都不应错误地使用您的技术。！，这里的问题是正确答案而不是班轮。！【参考方案8】：
我只是在整理上面的帖子，希望它可以帮助其他人节省一些时间：
下面的数组有(2, )dimension，它是一个一维数组，
b_new = np.array([2j, 3j])
转置一维数组有两种方法：
用“np.newaxis”或不切片！
print(b_new[np.newaxis].T.shape)
print(b_new[None].T.shape)
其他写法，上面没有T操作！
print(b_new[:, np.newaxis].shape)
print(b_new[:, None].shape)
包裹 [ ] 或使用 np.matrix，意味着添加一个新维度。！
print(np.array([b_new]).T.shape)
print(np.matrix(b_new).T.shape)
【讨论】：
【参考方案9】：它的工作方式完全符合预期。 1D 数组的转置仍然是 1D 数组！ （如果你用过matlab，它基本上没有一维数组的概念。Matlab 的“一维”数组是二维的。）
如果你想把你的一维向量变成一个二维数组然后转置它，只需用np.newaxis（或None，它们是一样的，newaxis 更具可读性）对其进行切片。
import numpy as np
a = np.array([5,4])[np.newaxis]
print(a)
print(a.T)
不过，一般来说，您不必担心这一点。如果您只是出于习惯，添加额外的维度通常不是您想要的。 Numpy 在进行各种计算时会自动广播一维数组。当你只需要一个向量时，通常不需要区分行向量和列向量（它们都不是向量。它们都是二维的！）。
【讨论】：
@thaking - 我刚刚使用np.arange 快速制作一维数组。对于a = np.array([5,4])，它的工作原理完全相同。
@thaking 如果您是 numpy 新手 - 请记住圆括号 () 并不表示 numpy 中的附加维度。如果a = np.arange(10) 则a 是array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])，由a.__repr__() 生成。这是一个一维（即a.ndim --> 1）向量，如方括号[] 所示。当您执行print(a) 或a.__str__() 时，不会看到array( ... )。
@JoeKington 有一种情况，一维数组的广播很有用。计算数组中所有一维点之间的距离。感谢您的解决方案，可以执行 x - x[np.newaxis].T 给出距离矩阵
就个人而言，我发现np.vstack() 操作更明确：print np.vstack(a)。
不只是matlab，线性代数有行/列向量的概念。 Numpy 对于来自很多地方的人来说是特殊的，而不仅仅是 matlab。【参考方案10】：
要将一维数组“转置”为二维列，您可以使用numpy.vstack：
>>> numpy.vstack(numpy.array([1,2,3]))
array([[1],
[2],
[3]])
它也适用于普通列表：
>>> numpy.vstack([1,2,3])
array([[1],
[2],
[3]])
【讨论】：
@sandroscodelller，你看过vstack的底层代码吗？ np.concatenate([atleast_2d(_m) for _m in tup], 0)。它将数组拆分为 (1,1) 数组，并将它们连接起来！在此过程中，它会制作一个副本，而所有的 reshape 都会制作一个视图。
@hpaulj 是的，但这仅适用于您从另一个 np 数组执行该过程时。如果您使用原版列表作为 vstack 的输入，那么它不会缺少性能，因为它更清晰。【参考方案11】：
另一种解决方案.... :-)
import numpy as np
a = [1,2,4]
[1,2,4]
b = np.array([a]).T
数组([[1], [2], [4]])
【讨论】：
这个解决方案有什么问题？！【参考方案12】：numpy 中的函数名称是column_stack。
>>>a=np.array([5,4])
>>>np.column_stack(a)
array([[5, 4]])
【讨论】：
【参考方案13】：正如上面提到的一些 cmets，一维数组的转置是一维数组，因此转置一维数组的一种方法是将数组转换为矩阵，如下所示：
np.transpose(a.reshape(len(a), 1))
【讨论】：
【参考方案14】：使用两对括号而不是一对。这将创建一个可以转置的二维数组，这与使用一对括号创建的一维数组不同。
import numpy as np
a = np.array([[5, 4]])
a.T
更详尽的例子：
>>> a = [3,6,9]
>>> b = np.array(a)
>>> b.T
array([3, 6, 9]) #Here it didn't transpose because 'a' is 1 dimensional
>>> b = np.array([a])
>>> b.T
array([[3], #Here it did transpose because a is 2 dimensional
[6],
[9]])
使用 numpy 的 shape 方法看看这里发生了什么：
>>> b = np.array([10,20,30])
>>> b.shape
(3,)
>>> b = np.array([[10,20,30]])
>>> b.shape
(1, 3)
【讨论】：
我更喜欢这个解决方案而不是 [np.newaxis] 一个，它看起来更优雅。 机器没有那么智能。即使你只有一个妻子，也应该宣布为你的第一任妻子。 这应该是选择的答案 @bruno，Joe Kington 准确地回答了这个问题。 Savagent 的回答尖锐而有用，但它解释了其他东西【参考方案15】：您只能转置二维数组。您可以使用numpy.matrix 创建一个二维数组。这已经晚了三年，但我只是在添加可能的解决方案：
import numpy as np
m = np.matrix([2, 3])
m.T
【讨论】：
不需要使用np.matrix，一般不鼓励使用。【参考方案16】：
numpy 一维数组 --> 列/行矩阵：
>>> a=np.array([1,2,4])
>>> a[:, None] # col
array([[1],
[2],
[4]])
>>> a[None, :] # row, or faster `a[None]`
array([[1, 2, 4]])
正如@joe-kington 所说，您可以将None 替换为np.newaxis 以提高可读性。
【讨论】：
【参考方案17】：您可以将现有向量转换为矩阵，方法是将其包装在一组额外的方括号中...
from numpy import *
v=array([5,4]) ## create a numpy vector
array([v]).T ## transpose a vector into a matrix
numpy 还有一个matrix 类（参见array vs. matrix）...
matrix(v).T ## transpose a vector into a matrix
【讨论】：
矩阵类很快就会被弃用，对吧？以上是关于转置一维 NumPy 数组的主要内容，如果未能解决你的问题，请参考以下文章